使用机器学习预测金黄色葡萄球菌的抗菌素耐药性:来自五年监测研究的见解

科学领域:

• 医学微生物学 医学微生物学
• 传染性疾病 传染性疾病
• 计算生物学 计算生物学

背景情况:

• 黄金葡萄球菌是全球社区和医院感染的主要原因.
• 抗菌素耐药性 (AMR) 的增加对全球有效的临床管理构成了重大挑战.
• 了解局部耐药性模式和利用预测工具对于对抗金黄色细菌感染至关重要.

研究的目的:

• 调查沙特阿拉伯S. aureus的流行病学和抗菌素耐药性趋势.
• 分析多药耐药性 (MDR) 模式,并确定导致耐药性的因素.
• 评估机器学习 (ML) 模型在预测S. aureus.抗生素敏感性的有用性.

主要方法:

• 分析了2019-2024年的18003份微生物学报告,确定了2506个金黄色细菌分离物.
• 对11个药理类的31种抗生素进行敏感性测试.
• 开发和评估用于预测抗生素耐药性的机器学习模型 (随机森林,物流回归,梯度增强).

主要成果:

• 伤口和血液是S. aureus分离物最常见的来源.
• 对于β-乳糖胺,基诺和宏类/林可萨胺,观察到高耐药率 (>70%).
• 多种药物耐药性 (MDR) 存在于30%的隔离物中,而最后一线抗生素,如万科米辛和线索利德,显示有效性保持 (<10%的耐药性).
• 随机森林模型在预测大多数药物的抗生素敏感性方面表现出卓越的表现.

结论:

• 黄金菌在沙特阿拉伯仍然是一个重大的临床威胁,其特点是高的MDR率.
• 最后线抗生素保持有效性,突出了它们在治疗策略中的重要性.
• 机器学习提供了一种有价值的工具,可以通过预测耐药性模式来增强抗菌药物管理,并为临床决策提供信息.